Esta presentación fue realizada en R Markdown. Este formato de sintaxis sirve para producir documentos HTML, PDF y MS Word; y puede usarse para incluir resultados y gráficos de análisis estadísticos realizados en R. Más detalles en la dirección web http://rmarkdown.rstudio.com.

Se requiere: i.) Generar cada gráfico o tabulado; ii.) Copiarlo; iii.) Pegarlo en el reporte que se esta trabajando; iii.) Si cambian los datos o hay que hacer un cambio de formato se deben repetir los pasos anteriores.

Al utilizar R Markdown se facilita la realización de cambios de formato, que pueden ser tediosos y consumen tiempo. Ese tiempo se puede invertir mejor en realizar nuevos análisis e interpretaciones de los datos.

• Identificar estructuras que son difíciles de identificar mediante otras herramientas (Tukey y Fisherkeller, 1973).
• Diagnosticar modelos y entender algoritmos (Wickham y otros, 2015).
• Ayuda al proceso de dar sentido a la información sin preguntas previamente identificadas (Unwin y Hoffmann, 1999).
• En el contexto de análisis poblacional puede ser útil para:

Meta ODS 17.18 …mejorar el apoyo a la creación de capacidad prestado a los países en desarrollo, …, para aumentar significativamente la disponibilidad de datos oportunos, fiables y de gran calidad desglosados por ingresos, sexo, edad, raza, origen étnico, estatus migratorio, discapacidad, ubicación geográfica y otras características pertinentes en los contextos nacionales

## Usos del análisis exploratorio de datos (EDA) interactivo
- Identificar estructuras que son difíciles de identificar mediante otras herramientas
(Tukey y Fisherkeller, 1973).
- Diagnosticar modelos y entender algoritmos (Wickham y otros, 2015).
- Ayuda al proceso de dar sentido a la información sin preguntas previamente 
identificadas (Unwin y Hoffmann, 1999).
- En el contexto de análisis poblacional puede ser útil para:

<p style="line-height: 1.3;   background: AliceBlue; font-size:18pt;
color: black">
 Meta ODS 17.18  ...mejorar el apoyo a la creación de capacidad prestado a 
 los  países en desarrollo, ..., para aumentar significativamente la disponibilidad 
 de datos oportunos, fiables y de gran calidad desglosados por ingresos, sexo, 
 edad, raza, origen étnico, estatus migratorio, discapacidad, ubicación 
 geográfica y otras características pertinentes en los contextos nacionales
</p>

library(wpp2019); library(data.table); library(tidyverse)
library(ggthemes); library(viridisLite); library(plotly)
data(popproj); data(popprojHigh); data(popprojLow)
dtpop <- setDT(popproj)   %>% .[name == 'Colombia',] %>% 
  melt(., id.vars = c('country_code'  ,   'name')) %>%
  .[, id := 'Media' ]
dtpoph <- setDT(popprojHigh)  %>% .[name == 'Colombia',] %>% 
  melt(., id.vars = c('country_code'  ,   'name')) %>%
  .[, id := 'Alta' ]
dtpopl <- setDT(popprojLow)  %>% .[name == 'Colombia',] %>% 
  melt(., id.vars = c('country_code'  ,   'name')) %>%
  .[, id := 'Baja' ]

dtpopb <- rbind(dtpop, dtpoph, dtpopl) %>%
  .[, Periodo := as.numeric(as.character(variable))] %>%
  .[, Variante := factor(id, levels = c('Alta', 'Media', 'Baja') )] %>%
  .[, Poblacion := as.numeric(as.character(value))]

p <- ggplot() + 
  geom_line(data= dtpopb, aes(Periodo, Poblacion ,  colour = Variante)) + 
  theme_light() +
  scale_colour_manual(name = 'Variante', values = c('black', 'blue', 'gray')) +   
  scale_x_continuous(name = 'Año', breaks = seq(2025, 2100 , 10) ) +
  scale_y_continuous(name = 'Población (en miles)', limits = c(25000,70000) ) 

ggplotly(p)

library(data.table); library(tidyverse); library(ggthemes)
library(viridis); library(plotly)

bd <- fread('pob_sex_eds_mun_anio.csv', encoding = 'UTF-8') %>%
  .[, h := as.numeric(h)] %>% .[,m := as.numeric(m)] %>%
  .[ , edad3gr := cut(edad, breaks = c(0, 15, 60, 122), right = FALSE,  
                      labels = c('e0a14', 'e15a59', 'e60omas') )] %>%
  .[ area %in% c("Medellín", 'Bogotá, D.C.', 'Cali', 'Barranquilla', 
                 'Cartagena', 'Cúcuta', 'Ibagué') &
       anio %in% 1973:2020 ] %>%
  .[, .(ht = sum(h, na.rm = TRUE), mt = sum(m, na.rm = TRUE))  , 
    keyby = .(anio, area, edad3gr)] %>%
  .[, tot := ht + mt ] %>%
  .[, pct := round(tot * 100 / sum(tot, na.rm = TRUE), 2), keyby = .(anio, area) ] %>%
  dcast(., anio + area ~ edad3gr, value.var='pct' ) %>%
  .[, anio:= factor(anio)]

fig <- bd %>% plot_ly()  %>% add_trace(
    type = 'scatterternary', mode = 'markers',
    a = ~e0a14, b = ~e15a59, c = ~e60omas,
    text = ~area, color = ~anio,
    marker = list( symbol = 100, size = 7, 
                   line = list('width' = 2)   )  ) %>% 
  layout(  title = "",  ternary = list( aaxis=list(title="0 a 14"),
    baxis = list(title="15 a 64"),
    caxis = list(title="65+")   )  )

fig

Los archivos R Markdown están diseñados para ser usados de varias maneras:

• Para comunicarse con quienes toman decisiones, que desean enfocarse en las conclusiones, no en el código que subyace al análisis.

• Para colaborar con otras personas que hacen ciencia de datos (¡incluyendo a tu yo futuro!), quienes están interesados tanto en tus conclusiones como en el modo en el que llegaste a ellas (es decir, el código).

• Como un ambiente en el cual hacer ciencia de datos, como si fuera un notebook de laboratorio moderno donde puedes capturar no solo que hiciste, sino también lo que estabas pensando cuando lo hacías.

• Para documentos, las unidades básicas son las secciones. Para presentaciones, las unidades básicas son las diapositivas (Xie, 2018).